日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ナビゲーションarXiv:2606.27871

LocalNav: フロンティアVLMと身体化RLの蒸留によるオンデバイス物体目標ナビゲーション

LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation

シェア:XThreadsFacebookLINEはてブBluesky

大規模VLMの空間推論能力を軽量な4BパラメータのローカルVLMに蒸留し、組み込みGPU上で低遅延な物体目標ナビゲーションを実現する手法を提案した。

詳しい要約

1. どんなもの?

- 本論文は、Object Goal Navigation (ObjectNav) のためのオンデバイス実行可能な軽量 Vision Language Model (VLM) を提案する。 - クラウド上の大規模 VLM から知識蒸留し、4B パラメータのローカル VLM を Jetson Orin などの組み込み GPU で動作させる。 - さらに Embodied RL と Token Generation (TG) 正則化を組み合わせ、推論遅延を削減する。

2. 先行研究と比べてどこがすごい?

- 従来の VLM は計算コストが大きくクラウド実行が前提で、低遅延推論が困難だった。 - 本研究は 500 件のフロンティア推論トレースのみで 4B モデルをファインチューニングし、クラウドモデルに迫る性能を達成。 - また E-RLVR と TG 正則化により、出力系列長を圧縮し、TG オーバーヘッドを 72.1%、遅延を 71.8% 削減。量子化と組み合わせて累積 82.8% の遅延削減を実現。

3. 技術・手法の肝は?

- まず Claude Sonnet 4.6 を用いた Scene Graph (SG) ベースの SotA パイプラインを構築。 - その推論トレース 500 件で Qwen3.5-4B をファインチューニングし、ナビゲーション能力を獲得。 - 下流最適化として E-RLVR と Token Generation (TG) 正則化を導入し、出力系列長を圧縮。 - 量子化と組み合わせてエッジデバイス上での低遅延推論を実現。

4. どうやって有効だと検証した?

- HM3D OVON ベンチマークで評価。 - クラウドベースの SotA パイプラインは 39.7% の Success Rate (SR) を達成。 - ファインチューニングした 4B モデルは 34.5% の SR を達成し、クラウドモデルとのギャップを縮小。 - E-RLVR と TG 正則化により TG オーバーヘッドを 72.1%、遅延を 71.8% 削減。量子化と組み合わせて累積 82.8% の遅延削減を確認。

5. 議論はある?

- 性能を大幅に犠牲にすることなく、ローカル低遅延 VLM 実行の実現可能性を示す。 - モバイルロボット上での実用的なパラダイムを提示。 - ただし、具体的な議論や限界については要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照されている研究: Claude Sonnet 4.6、Qwen3.5-4B、HM3D OVON ベンチマーク。 - 関連手法: Scene Graph (SG) ベースのナビゲーション、Vision Language Model (VLM) の蒸留、Embodied RL、Token Generation (TG) 正則化。 - 同分野の定番: ObjectNav に関する研究、VLM のエッジ展開に関する研究。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Nicolas Baumann, Liam Boyle, Pu Deng, Edoardo Ghignone, Boyang Sun, Marc Pollefeys, Luca Benini, Michele Magno

分類: cs.RO

原文アブストラクト

Vision Language Models (VLMs) have emerged in the robotic domain as a powerful tool that enables environmental perception with language context, serving as a catalyst for open-vocabulary tasks like ObjectNav. Yet, their computational footprint typically confines them to cloud execution, hindering low-latency inference with local deployment on resource-constrained robots. To address this challenge, we present a distillation strategy that transfers complex spatial-semantic reasoning from large frontier models into a lightweight, 4B-parameter local VLM for edge execution on embedded GPU devices (e.g., Jetson Orin). We first establish a State of the Art (SotA), Scene Graph (SG)-based pipeline using Claude Sonnet 4.6, achieving a 39.7% Success Rate (SR) on the HM3D OVON benchmark. We then demonstrate that fine-tuning Qwen3.5-4B on just 500 frontier reasoning traces effectively enables navigation capabilities, yielding a SR of 34.5%, narrowing the gap to the performance of large cloud models. Finally, we introduce E-RLVR with Token Generation (TG) regularization to compress output sequence lengths for physical deployment while grounding the agent in its task. This downstream optimization reduces TG overhead by 72.1% and latency by 71.8%. Combined with quantization, this joint strategy yields a cumulative 82.8% reduction in overall inference latency without significantly sacrificing performance, presenting a viable paradigm for local, low-latency VLM execution on mobile robots.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI